基于边缘先验聚合的木材纹理缺陷检测方法EPANet：提升低对比度图像中的缺陷识别精度

这篇研究提出了一种创新的边缘先验聚合网络（EPANet），通过全局边缘先验增强模块（GEPM）和局部边缘先验增强模块（LEPM）协同作用，显著提升了木材纹理缺陷（如裂纹、孔洞、腐朽）在低对比度、高噪声环境下的检测性能。实验表明，EPANet在公开数据集上单缺陷检测AP50达0.869，多缺陷检测AP50达0.914，较基线方法提升至少16.8%，为木材工业质检提供了实时高效的解决方案。

　　

1 引言

木材作为重要的可再生资源，在城市化进程中广泛应用，但其生长和加工过程中易产生裂纹、污渍、孔洞和腐朽等缺陷。这些缺陷不仅影响美观，更会引发结构安全隐患。传统检测方法面临三大挑战：低对比度图像导致缺陷边缘模糊、多缺陷叠加造成漏检、缺陷与正常区域颜色相似导致区分困难。现有解决方案分为数据级（图像增强算法）和算法级（改进检测模型）两类，但均存在局限性。EPANet创新性地引入可学习的几何线索——边缘先验知识，通过双模块设计突破现有技术瓶颈。

2 相关研究

木材缺陷检测领域已有多种深度学习方法，如基于YOLOX的改进算法、轻量级CNN模型和多元数据融合U-Net等，但普遍存在实时性或精度不足的问题。边缘先验引导的目标检测算法在复杂场景中展现出优势，例如形状先验非均匀采样策略和特征上下文增强（FCE）模块的应用。然而，现有方法多关注语义映射构建，而EPANet首次将边缘先验作为显式几何线索融入检测网络。

3 方法设计

3.1 整体架构

EPANet采用三级结构：骨干网络、全局边缘先验增强和局部边缘先验增强。输入木材图像经过四个ResBlock逐层提取特征，通过特征对齐和跨尺度交互实现先验知识传递。全局模块采用自注意力机制（公式1）捕获长程上下文关系，抑制杂乱背景的误报；局部模块构建相似性矩阵（公式2-4）突出小缺陷特征，将孔隙漏检率降低35%。

3.2 损失函数

组合损失函数（公式5）包含检测损失（分类损失+φ·IOU损失+Focal损失）和增强损失（1-SSIM）。超参数φ₁=0.2和φ₂=0.8的设定通过实验验证能实现最佳平衡。这种设计在不增加训练负担的前提下，使网络同时优化缺陷定位和图像增强任务。

4 实验结果

在BTAD数据集（840训练/360测试样本）上的测试显示：

• •

  单缺陷检测：AP₅₀ 0.869，较基线提升29.1%

• •

  多缺陷检测：AP₅₀ 0.914，较基线提升16.8%

• •

  实时性：NVIDIA RTX-4090上30FPS，满足产线25FPS需求

对比实验中，EPANet在存在斑点噪声（Speckle）、高斯噪声（Gaussian）等干扰时仍保持稳健，仅在椒盐噪声（S&P）场景下性能略有下降（图9）。消融实验（表2）证实全局先验提升分类精度（mAP +43%），局部先验优化定位效果（IoU +47%）。

5 结论与展望

EPANet通过显式利用边缘先验知识，在木材纹理缺陷检测中实现了精度与效率的突破。当前模型存在参数量大（1亿参数）、训练耗时（32小时）等局限，未来将通过架构搜索（NAS）、多模态先验融合和模型蒸馏技术进行优化，推动该算法在工业质检场景的落地应用。

（注：全文严格依据原文数据及表述，所有专业术语如SSIM、FCE等均保留英文缩写，数学符号使用_{/^{标签规范呈现）}}